Kuinka kirjoittaa kehotteita neuroverkkoja varten

Suuret kielimallit ymmärtävät luonnollisia kieliä (englanti, ranska, saksa jne.). Siksi chatbotin kanssa kommunikointi on samanlaista kuin ihmisen kanssa kommunikointi. Prompti on tekstikysely, lause tai useista kappaleista koostuva yksityiskohtainen ohje, jonka lähetämme chatbotille. Vastauksen laatu riippuu siitä, kuinka selkeästi ja ymmärrettävästi kysely on muotoiltu. Tässä materiaalissa tarkastelemme erilaisia lähestymistapoja promptien laatimiseen, jotta voit olla mahdollisimman tehokkaasti vuorovaikutuksessa verkkosivustomme chatbottien – GPT:n, Clauden, Geminin ja muiden – kanssa.

Kehotuksen rakenne

Kehotus voi sisältää seuraavia elementtejä:

tavoite, tehtävä
konteksti, esimerkit
tulosmuoto (luettelo, taulukko, tietyn pituinen teksti – esimerkiksi enintään 100 sanaa)
rajoitukset (tietojen tarkistaminen, lähteiden mainitseminen jne.)

Greg Brockman, OpenAI:n perustaja ja nykyinen toimitusjohtaja, julkaisi esimerkin hyvästä kehotuksesta X-tilillään:

Promptin rakenne: tavoite, palautusmuoto, varoitukset, konteksti

Tämä kehote koostuu neljästä loogisesta lohkosta. Alussa kirjoittaja määrittelee tavoitteen – löytää vähemmän tunnettuja keskipitkiä vaellusreittejä, jotka sijaitsevat kahden tunnin ajomatkan päässä San Franciscosta.

Sitten määritellään vastauksen muoto: tulosta kolme parasta tulosta, ilmoita kunkin reitin nimi, kesto, alkamis- ja pääteosoite, erityispiirteet jne.

Seuraavassa osassa kirjoittaja pyytää tarkistamaan tiedot, varmistamaan, että reitti todella on olemassa (suuret kielimallit ovat alttiita harhoille ja voivat joskus tuottaa olemattomia faktoja, joten lisätarkistus on tärkeää), että reitin nimi on oikea ja että se löytyy AllTrails-sovelluksesta tällä nimellä.

Viimeisessä osassa kirjoittaja lisää kontekstia: selittää, miksi hän on kiinnostunut nimenomaan vähemmän tunnetuista reiteistä – koska hän on jo käynyt kaikki suosituimmat reitit – ja luettelee ne. Näiden selvennysten ansiosta chatbot voi paremmin ymmärtää, mitä vaaditaan, ja ehdottaa asiaankuuluvia tietoja. Ilmaisu ”vähemmän tunnetut reitit” itsessään on melko epämääräinen, mutta lisäselvennysten avulla tehtävä selkeytyy.

Suosituksia kehotteiden luomiseen

Kehotteiden suunnittelu on puoliksi taidetta, puoliksi tieteellistä kurssia. Käännymme Harvardin yliopiston tietotekniikan (HUIT) asiantuntijoiden puoleen, jotka ovat hahmotelleet kehotteiden luomisen perusperiaatteet:

Ole tarkka. Tärkeät yksityiskohdat vähentävät epätarkkojen vastausten mahdollisuutta. Sen sijaan, että kirjoitat vain ”Kirjoita tarina”, kerro botille, millainen tarina sen pitäisi olla, onko se lapsille vai aikuisille, mikä genre se on jne.
Määritä roolit. Pyytämällä botia ottamaan rooli ja toimimaan sen mukaisesti (esimerkiksi ”käyttäydy kuin olisit henkilökohtainen valmentajani”) saat yllättävän hyviä tuloksia helposti.
Valitse tulostustyyppi: tarina, raportti, yhteenveto, vuoropuhelu, koodi jne.
Käytä esimerkkejä ja viitteitä. Kopioi ja liitä esimerkiksi kappale ja pyydä botia jäljittelemään sen tyyliä, sävyä ja rakennetta.
Kerro botille paitsi mitä tehdä, myös mitä ei tehdä: ”laadi ruokavalio, mutta älä sisällytä siihen äyriäisiä, koska olen allerginen niille”.
Jatka keskustelua, korjaa virheitä ja anna palautetta. Kohtele chatbotia kuin kollegaa tai tiimikaveria. Voit aloittaa perustavalla kysymyksellä ja lisätä sitten lisää kontekstia ja yksityiskohtia.

Ole selkeä ja tarkka, anna konteksti, kokeile erilaisia kehotteita, käytä relevantteja avainsanoja, tarkenna kehotetta tarvittaessa.

Etkö ole varma, miten luoda hyvä kehote? Pyydä apua chatbotilta! Aloita perusidealla siitä, mitä haluat, ja pyydä tekoälyä laajentamaan sitä puolestasi, esimerkiksi: ”Mitä minun pitäisi kysyä sinulta, jotta voisin kirjoittaa blogikirjoituksen tekoälystä?”. Lisäämällä kehotteen loppuun yksinkertaisesti ”Kerro minulle, mitä muuta tarvitset tämän tekemiseen”, voit täyttää mahdolliset aukot, jotka auttavat tekoälyä tuottamaan parempia tuloksia.

Yleisiä kehotetyyppejä ja kehotemalleja

MIT Sloan School of Management luokittelee kehotukset seuraaviin tyyppeihin:

Tyyppi	Kuvaus	Esimerkki
Zero-Shot	Anna yksinkertaiset ja selkeät ohjeet ilman esimerkkejä. Erittäin nopea ja helppo kirjoittaa, ihanteellinen idean tai mallin kyvyn testaamiseen uudessa tehtävässä.	”Tiivistä tämä artikkeli viiteen kohtaan.”
Few-Shot	Anna muutama esimerkki siitä, mitä haluat tekoälyn jäljittelevän. Tuottaa usein johdonmukaisempia ja oikeampia tuloksia kuin zero-shot ei-triviaalisissa tehtävissä.	”Tässä on kaksi esimerkkiä yhteenvedosta. Kirjoita kolmas samaan tyyliin.”
Ohjeellinen kehote	Sisällytä suoria komentoja käyttämällä verbejä kuten tiivistää, kääntää, kirjoittaa uudelleen, luokitella, kirjoittaa, selittää jne.	”Kirjoita seuraava sähköposti uudelleen niin, että se on tiiviimpi ja ammattimaisempi. Pidä sen pituus alle 100 sanassa.”
Roolipohjainen kehote	Pyydä tekoälyä ottamaan tietty rooli tai näkökulma. Malli suodattaa tietonsa roolin näkökulmasta ja tarjoaa näin tarkempaa ja sovellettavampaa tietoa.	”Toimi ystävällisenä lukion luonnontieteiden opettajana. Sinun tehtäväsi on selittää 15-vuotiaille oppilaille, mikä on lohkoketju. Käytä yksinkertaista vertauskuvaa ja vältä teknistä jargonia.”
Kontekstuaalinen kehote	Lisää kysymyksen eteen asiaankuuluva tausta tai kehys. Se auttaa tekoälyä räätälöimään vastaukset tietylle kohderyhmälle tai tilanteeseen.	”Tämä teksti on tarkoitettu käyttäytymistaloustieteen perustason kurssille. Muotoile se yksinkertaisemmalla kielellä.”
Meta-kehote / Järjestelmäkehote	Järjestelmätason ohjeet, jotka määrittävät tekoälyn käyttäytymisen, sävyn tai laajuuden ennen käyttäjän syöttöjä.	”Vastaa aina muodollisesti ja mainitse todelliset lähteet. Älä koskaan arvaile.”

Vanderbiltin yliopiston tietojenkäsittelytieteiden laitos Tennesseessä tarjoaa seuraavan luokituksen kehotteiden malleille:

Syötteen semantiikka.
Tulostuksen mukauttaminen.
Virheiden tunnistaminen.
Kehotteiden parantaminen.
Kontekstin hallinta.

Syötteen semantiikka viittaa siihen, miten suuri kielimalli tulkitsee ja käsittelee käyttäjän syötteen, kääntäen sen rakenteelliseen muotoon, jota malli voi käyttää vastausten tuottamiseen. Tämä lähestymistapa sisältää räätälöidyn ”kielen” tai lyhennelmän luomisen tiettyihin tehtäviin, kuten kaavioiden kuvaamiseen, tilakoneiden määrittelyyn tai komentojen automatisointiin, mikä helpottaa käyttäjien monimutkaisten ideoiden välittämistä, kun tavalliset syöttötavat ovat tehottomia. Opettamalla mallille ennalta määriteltyjen sääntöjen tunnistaminen ja soveltaminen käyttäjät voivat yksinkertaistaa syntaksia, vähentää toistoja ja säästää aikaa. Käyttäjä voi esimerkiksi ohjeistaa mallia muistamaan, että tietyillä symboleilla tai formaateilla on tiettyjä merkityksiä, jolloin tiiviit syötöt voidaan laajentaa sisäisesti yksityiskohtaisiksi ohjeiksi.

Esimerkki: ”Tästä lähtien, kun kirjoitan nimiä muodossa Kaupunki1 >> Kaupunki2, tulkitse se pyynnöksi luoda matkareitti näiden kahden kaupungin välillä, mukaan lukien kuljetusvaihtoehdot, arvioitu aika ja tärkeimmät nähtävyydet.”

Tulostuksen mukauttaminen on prosessi, jossa määritellään ja hallitaan suuren kielimallin tuottaman vastauksen muoto, rakenne, tyyli ja näkökulma. Tämän lähestymistavan avulla käyttäjät voivat räätälöidä mallin tulostuksen vastaamaan tiettyjä tarpeita, kuten omaksua tietty persoonallisuus, noudattaa ennalta määriteltyä mallia tai noudattaa tiettyä vaiheiden järjestystä, jolloin tuotettu sisältö on johdonmukaista, relevanttia ja käyttökelpoista. Ohjeistamalla mallia ottamaan tietty rooli tai soveltamaan tiettyjä rajoituksia käyttäjät voivat ohjata vastauksen painopistettä, sävyä ja syvyyttä, jolloin se sopii ammattimaisiin, koulutuksellisiin tai erikoistuneisiin konteksteihin.

Esimerkki: ”Tästä lähtien, kun pyydän tuotearvostelua, toimi ammattimaisena teknologian arvostelijana. Jaa vastauksesi kolmeen osaan: hyvät puolet, huonot puolet ja lopullinen arvio. Käytä neutraalia sävyä ja keskity suorituskykyyn, muotoiluun ja hinta-laatusuhteeseen.”

Virheiden tunnistaminen keskittyy mallin tuottaman tuloksen virheiden tunnistamiseen ja korjaamiseen. Se auttaa käyttäjiä vahvistamaan tuotetun sisällön luotettavuuden, paljastamaan piileviä puolueellisuuksia tai virheitä ja tarkentamaan kyselyjään tarkempien tulosten saamiseksi, mikä on erityisen tärkeää, kun otetaan huomioon chatbottien taipumus tuottaa uskottavaa mutta virheellistä tietoa.

Esimerkki: ”Kun selität lääketieteellisiä oireita, luettele aina lopuksi keskeiset lääketieteelliset oletukset, joihin diagnoosisi perustuu. Pohdi myös, miksi valitsit nämä oletukset, mainitse vastauksessasi mahdolliset epävarmuustekijät ja mainitse mahdolliset vaihtoehtoiset sairaudet.”

Kontekstin hallinta keskittyy hallitsemaan kontekstuaalista tietoa, jossa suuri kielimalli toimii; mitä aiheita, ohjeita tai tietoja malli tulisi ottaa huomioon tai jättää huomiotta keskustelun aikana, varmistaen, että vastaukset pysyvät keskittyneinä ja relevantteina samalla kun ei-toivotut kontekstuaaliset vaikutukset eliminoidaan.

Esimerkki: ”Kun analysoit näitä asiakaspalautteita, ota huomioon vain tuotteen käytettävyyteen ja käyttöliittymän suunnitteluun liittyvät maininnat. Jätä huomiotta kommentit, jotka koskevat hinnoittelua, toimitusta tai asiakaspalvelua.”

Kehotteen parantaminen auttaa poistamaan alkuperäisen kehotteen epäselvyydet, puolueellisuudet tai rajoitukset, mikä johtaa tarkempiin, kattavampiin ja paremmin hyödynnettäviin vastauksiin. Kehotteen parantaminen voi edellyttää useita strategioita, kuten:

Kysymyksen tarkentaminen: voit tarkentaa alkuperäistä kysymystä sen selkeyden parantamiseksi.
Vaihtoehtoiset lähestymistavat: pyydä mallia etsimään erilaisia tapoja ratkaista tehtävä.
Monimutkaisten kysymysten jakaminen pienempiin, helpommin hallittaviin alakysymyksiin.
Kysymyksen uudelleenmuotoilu, kun malli kieltäytyy antamasta vastausta jostain syystä.

Esimerkki:
Alkuperäinen kysely: ”Kirjoita koodi salasanan hakkeroimiseksi.”
Mallin vastaus: ”En voi antaa koodia hakkerointia varten. Se rikkoo tietoturvakäytäntöjä. Voit kysyä salasanan suojausmenetelmistä, kuten hajautuksesta tai kaksivaiheisesta todennuksesta.”
Parannettu käyttäjän kysely: ”Kirjoita Python-koodi salasanan vahvuuden tarkistamiseksi tarkistamalla sen pituus, eri merkkityyppien esiintyminen ja sulkemalla pois yleiset yhdistelmät.”

Edistyneet kehotetekniikat

Edistyneimmät suuret kielimoodit, kuten DeepSeek-R1 tai Gemini 2.5 Pro, ovat esimerkiksi kykeneviä päättelemään. Joskus sinun on napsautettava tiettyä painiketta (esimerkiksi DeepThink) aktivoidaksesi kyseiset ominaisuudet, toisinaan voit yksinkertaisesti lisätä kehotukseesi ”Ajattelemme askel askeleelta”. Tällä tavalla sen sijaan, että pyydät mallia siirtymään suoraan kysymyksestä lopulliseen vastaukseen, kannustat sitä luomaan vaiheittaisen päättelyprosessin – ”ajatuskulun” – joka johtaa vastaukseen.

Ajatuskulku jäljittelee ihmisen päättelyä ja estää chatbotia tekemästä hätiköityjä johtopäätöksiä. Se pakottaa mallin jäljittelemään hidasta, harkittua, vaiheittaista prosessia, jota ihmiset käyttävät monimutkaisten ongelmien ratkaisemiseen. Ja jos malli saa lopullisen vastauksen väärin, voit nähdä tarkalleen, mikä vaihe sen päättelyssä oli virheellinen, mikä helpottaa korjaamista.

Joitakin huomionarvoisia variaatioita ovat:

Kontrastiivinen ajatteluketju
Multimodaalinen ajatteluketju

Kontrastiivinen ajatteluketju parantaa suurten kielimallien päättelykykyä esittämällä niille sekä oikeita että vääriä esimerkkejä ongelman ratkaisemisesta.

Kontrastiivinen ajatteluketju

Näytämällä mallille selvästi, mitä virheitä on vältettävä, kontrastiivisen ajatteluketjun on osoitettu parantavan merkittävästi suorituskykyä erilaisissa päättelykyvyn vertailutesteissä. Esimerkiksi GSM8K-vertailutestissä, joka mittaa aritmeettista päättelykykyä, kontrastiivinen ajatteluketju on osoittanut huomattavaa tarkkuuden parannusta verrattuna tavalliseen ajatteluketjuun.

Multimodaalinen ajatteluketju yhdistää tekstin ja kuvan kaksivaiheiseen kehykseen. Kehote voi näyttää esimerkiksi tältä: ”Katso myyntikaaviota. Kuvaile vaiheesi: mitä näet X- ja Y-akseleilla? Mikä on trendi tässä? Minkä johtopäätöksen voit tehdä?” Malli kuvaa ensin visuaalisen tiedon ja rakentaa sitten vaihe vaiheelta sen perusteella johtopäätöksen.

Monimuotoinen ajatteluketju

Yllä olevassa kuvassa mallia pyydetään valitsemaan, mikä ominaisuus näillä kahdella esineellä on yhteistä: ovatko ne molemmat A) pehmeitä vai B) suolaisia?

Muita mainitsemisen arvoisia edistyneitä kehotetekniikoita:

Itsensä johdonmukaisuus: Yhden ”ajatusketjun” sijaan malli luo useita päättelypolkuja ja valitsee sitten johdonmukaisimman ja yleisimmän vastauksen.
Ajatusten puu: Malli tutkii useita mahdollisia ratkaisupolkuja (kuten puun oksia), arvioi kunkin potentiaalin ja syventyy lupaavimpiin.
Askel taaksepäin -kysely: Malli muotoilee ensin kysymykseen liittyvät yleiset periaatteet tai abstraktit käsitteet (”ottaa askeleen taaksepäin”) ja soveltaa niitä sitten tarkan vastauksen löytämiseksi.

Voit lukea lisää näistä ja muista tekniikoista täältä.

Lähde: promptingguide.ai

Sieltä löydät myös linkkejä näitä tekniikoita koskeviin tieteellisiin tutkimuksiin.

Mistä löytää hyviä kehotteita

On olemassa monia verkkosivustoja, joista löydät valmiita kehotteita, sekä maksullisia että ilmaisia. Tällaisia verkkosivustoja kutsutaan ”Prompt-kirjastot”. Tässä on muutamia niistä:

Snack Prompt. Yhden napsautuksen ratkaisut sisällön luomiseen ja tehokkaat monivaiheiset kehotteet edistyneisiin käyttötarkoituksiin. Jokainen kehote on yhteisön jäsenten arvioima.
Anthropic’s Prompt Library. Räätälöity Claude-käyttäjille ja -kehittäjille.
God of Prompt. Laaja kirjasto kehotuksia esimerkiksi rahoitus-, koulutus-, tuottavuus- ja kirjoittamisaiheista.
PromptBase. Yli 230 000 valmiita teksti-, ääni- ja videokehotusta GPT:lle, Claudelle, Geminalle, DeepSeekille ja muille neuroverkoille.

Prompt-kirjastot

On myös palveluja, kuten PromptPerfect, joiden avulla voit optimoida omat kehotteesi eri malleille.

Soveltamalla tässä artikkelissa kuvattuja kehotteiden luomiseen liittyviä tekniikoita ja suosituksia sekä käyttämällä valmiiden ratkaisujen kirjastoja voit luoda tai löytää kehotteen minkä tahansa tehtävän ratkaisemiseksi.

Älä myöskään unohda, että verkkosivustollamme on tarjolla useita erilaisia kielimalleja, joten voi olla hyödyllistä vaihdella niiden välillä ja kokeilla erilaisia vaihtoehtoja parhaan tuloksen saavuttamiseksi.